·     Принципы работы языковых моделей: архитектура Transformer, механизм self‑attention, многоголовое внимание, позиционное кодирование; различия между энкодерными (BERT), декодерными (GPT) и энкодер‑декодерными (T5) архитектурами с практической точки зрения.

·     Классификацию и характеристики современных LLM: отличия базовых моделей, instruction‑tuned, RLHF‑дообученных и reasoning‑моделей; сравнение семейств (GPT, Claude, Gemini, YandexGPT, GigaChat, Qwen, DeepSeek) по контекстному окну, стоимости токенов, качеству на русском языке, поддержке function calling, мультимодальности и возможности локального развёртывания.

·     Механизмы управления генерацией: назначение и влияние параметров temperature, top‑p, top‑k, frequency penalty, presence penalty, max tokens; понимание, как они меняют креативность, детерминизм и стабильность результата.

·     Основы токенизации: принципы BPE, SentencePiece, Tiktoken; как токенизация влияет на длину контекста, стоимость запросов и обработку русского языка, редких терминов и кода.

·     Методологии промпт‑инжиниринга: базовые техники (zero‑shot, one‑shot, few‑shot), Chain‑of‑Thought и его модификации (self‑consistency, tree‑of‑thoughts), паттерны ReAct, Reflexion, prompt chaining; когда и зачем применять каждую технику.

·     Архитектуры прикладных решений на базе LLM: принципы RAG (чанкинг, эмбеддинги, векторные хранилища, гибридный поиск, реранкинг), function calling, структурированный вывод (JSON, XML), оркестрация шагов.

·     Методы оценки и тестирования ИИ‑решений: метрики качества (precision, recall, F1, BLEU, ROUGE, BERTScore), подходы golden set, edge/adversarial cases, LLM‑as‑judge, A/B‑тестирование промптов.

·     Правовые и безопасностные аспекты: требования 152‑ФЗ, авторское право на генерируемый контент, коммерческая тайна; типовые риски (промпт‑инъекции, утечки данных, галлюцинации), методы защиты (guardrails, изоляция системного промпта, принцип минимальных привилегий).